Les formes d’organisation du travail dans les administrations publiques : open science

Démarrage

library(tidyverse)
library(rlang)
library(tabxplor)
library(FactoMineR)
library(ggfacto)

source("Demarrage.R", encoding = "UTF-8")
ct <- readRDS("ct.rds")

# Variables logiques pour délimiter le champ
salariat05 <- ct$CHAMP_CT2005 == "1-Champ 2005" & ct$ANNEE %in% c("2005", "2013", "2019") & 
  !ct$EMP %in% c("8-Particuliers", "I-Pas d'employeur", "I-Pas d’employeur") & !is.na(ct$EMP) &
  !is.na(ct$pondcal)

`2005` <- ct$ANNEE == "2005"
`2013` <- ct$ANNEE == "2013"
`2016` <- ct$ANNEE == "2016"
`2019` <- ct$ANNEE == "2019"

# Champs et sources
champ05 <- "Champ : salarié·es des organisations, France métropolitaine. Pourcentages pondérés."

source0519 <- "Source : Dares-Drees-DGAFP, enquête Conditions de travail 2005, 2013 et 2019, volet actifs occupés (diffusion Adisp)."

source19 <- "Source : Dares-Drees-DGAFP, enquête Conditions de travail 2019, volet actifs occupés (diffusion Adisp)."

Analyse des correspondances multiples (ACM)

mca_excl <- c(NA, "Non concerné$", "NC$", "Pas de collègue$", "Pas de chef$")

active_vars <- 
  c("COMMENT", "STARK3", "INCIDENT",  # Autonomie d'exécution
    "NOUVELLE", "REPETE",             # Caractère qualifiant ou non
    "REUNION", "CORRCOP", "POLY2",    # Coopération
    "PROCEDUR", "EVACRIT", "RWINFO",  # Contraintes d'évaluation
    "RWSURV", "RWTECH2", "RWDEM"      # Contraintes d'exécution
  )
Ceval <- c("EVACRIT", "PROCEDUR", "RWINFO", "OBJECTIF")        # vars supplémentaires
Cexec <- c("RWSURV", "RWTECH2", "RWNORMH", "RWCOLEG", "RWDEM") # vars supplémentaires

res.mca <- ggfacto::MCA2(ct[salariat05, ], # wrapper around FactoMineR::MCA()
                         ncp = 16, all_of(active_vars), wt = pondcal, excl = mca_excl)

# # Graphique de base
# ggfacto::ggmca(res.mca, text_size = 3.5, text_repel = TRUE) |> ggi()

# # Résumés statistiques
# round(res.mca$eig)
# ggfacto::mca_interpret(res.mca)
# ggfacto::mca_var_table(res.mca, "contrib") 
# ggfacto::mca_var_table(res.mca, "cos2")

res.mca$axes_names <- c("autonomie peu contrainte / pas d'autonomie fortes contraintes", 
                        "coopération et évaluation formalisée / peu de coopération")

Classification ascendante hiérarchique (CAH) sur composantes principales

# 1) En ajoutant la CAH sauvegardée
ct <- ct |> left_join(readRDS("cah_orga_final.rds"), by = "ID") # "cah_orga05_2_ext.rds"
# Deux variables : 
# - cah_ORGA    : la CAH telle qu'elle sort de l'algorithme (après K-means)
# - cah_ORGAext : la CAH étendue à l'enquête 2016 par K nearest neighbours (faible fiabilité)





# 2) En partant du départ (réalisé sur un PC doté de 64Go de RAM, long)
orga052_2ind <- HCPCprofiles(res.mca, axes = 1:2, profiles = FALSE, # dans "Démarrage.R"
                             mode = "weight_clust")
saveRDS(orga052_2ind, "052_2ind.rds")
# orga052_2ind <- readRDS("052_2ind.rds")

# tree(orga052_2ind$tree)
orga052_2ind.5cl  <- orga052_2ind |> HCPC_recut(5) # dans "Démarrage.R"
orga052_2ind.5clC <- consolidation(clust = orga052_2ind.5cl, X = orga052_2ind$X) # dans "Démarrage.R"

orga052_2ind.5clC <- fct_recode(orga052_2ind.5clC,
                                "1-Autonomie du métier" = "1",
                                "3-Contrôle direct"     = "2",
                                "2-Autonomie évaluée"   = "3",
                                "5-Taylorisme flexible" = "4",
                                "4-Lean management"     = "5" ) |>
  fct_relevel(sort)

ct <- ct |> HCPC_add_clust(salariat05, clust = orga052_2ind.5clC) # dans "Démarrage.R"

# HCPC_tab_active(
#   orga052_2ind.5clC, ct[salariat05, ], "pondcal", excl = mca_excl, # dans "Démarrage.R"
#   c(unique(c(active_vars, Ceval, Cexec), fromLast = TRUE), "OBJtous", "PPP1", "EMP")
# ) |>
#   tab_transpose() |>
#   tab_xl()

# ggmca(res.mca, ct[salariat05, ], 
#       sup_vars = c("cah_ORGA05_1", "PPP1",
#                    "orga052_2ind.5cl", "orga052_2ind.5clC"), 
#       active_tables = "sup", text_size = 3.5, text_repel = TRUE) |> ggi()

GRAPHIQUE 1. L’espace des formes d’organisation du poste de travail

acm_orga_1_cah <- res.mca |> 
  ggmca(ct[salariat05, ],
        sup_vars = c("cah_ORGA", "OBJtous", "RWNORMH", "RWCOLEG"),
        actives_in_bold = TRUE,
        cah = "cah_ORGA", color_groups = c("^.{1}", "^.{0}", "^.{0}", "^.{0}"),
        profiles = TRUE, max_profiles = 5000,
        text_size = 3, text_repel = TRUE,
        xlim = c(-0.8, 1.2), ylim = c(-0.8, 1.1), out_lims_move = TRUE,
        size_scale_max = 6,
        get_data = TRUE
  )
acm_orga_1_cah_cah <- acm_orga_1_cah$vars_data |> 
  filter(str_detect(color_group, "^cah_ORGA"))
acm_orga_1_cah_vars <- new_tab(acm_orga_1_cah$vars_data) |>
  filter(vars != "cah_ORGA") |>
  mutate(face = if_else(color_group != "active_vars", "italic", "bold") )
#     certains profils n'ont pas de cah : corriger dans ggmca_data
cah_id_recode <- acm_orga_1_cah$profiles_coord |> select(cah, cah_id) |>
  filter(!is.na(cah)) |>
  distinct() |>
  mutate(recode_vect = set_names(as.character(cah), cah_id)) |> pull(recode_vect)
cah_color <- acm_orga_1_cah_cah |>
  select(lvs, color_group) |>
  mutate(recode_vect = set_names(as.character(lvs), color_group)) |> pull(recode_vect)
acm_orga_1_cah_profiles <- acm_orga_1_cah$profiles_coord |>
  mutate(
    cah = map2_chr(
      cah, sup_vars,
      ~ case_when(
        !is.na(.x)                      ~ .x,
        all(is.na(.y$cah_ORGA) | .y$cah_ORGA == first(.y$cah_ORGA))
                                        ~ as.character(first(.y$cah_ORGA)),
        TRUE                            ~ NA_character_)
    ),
    
    cah_id = fct_recode(cah, !!!cah_id_recode) |> as.integer(),
    
    color_group = fct_recode(cah, !!!cah_color)
  ) |>
  filter(!is.na(cah))
# acm_orga_1_cah_profiles |> slice_sample(n = 20)

cah_name_with_pct <- acm_orga_1_cah_cah |>
  select(lvs, wcount) |>
  mutate(pct = round(wcount/sum(wcount)*100), 0) |>
  mutate(recode_vect = set_names(as.character(lvs), paste0(lvs, " (", pct, "%)"))) |>
  pull(recode_vect)
acm_orga_1_cah_cah <- acm_orga_1_cah_cah |>
  mutate(lvs = fct_recode(lvs, !!!cah_name_with_pct))

heigth_width_ratio <- (0.8 + 1.2) / (0.8 + 1.1)



acm_orga_1_cah_output <-
  ggplot(acm_orga_1_cah_vars, aes(x = `Dim 1`, y = `Dim 2`)) +
  acm_orga_1_cah$graph_theme_acm +
  geom_point(
    data = acm_orga_1_cah_profiles, ggplot2::aes(size = wcount, color = color_group),
    na.rm = TRUE, show.legend = FALSE, stroke = 0, alpha = 0.5
  ) +
  geom_point(
    data = acm_orga_1_cah$mean_point_data,
    color = "black", fill = "#eeeeee", shape = 3, size = 5, stroke = 1.5, na.rm = TRUE
  ) +
  ggrepel::geom_text_repel(
    ggplot2::aes(label = lvs, fontface = face),
    size = 3, na.rm = TRUE, direction = "both",  min.segment.length = 0.01,
    force = 0.5, force_pull = 1, point.padding = 0, box.padding = 0, 
    point.size = NA, arrow = ggplot2::arrow(length = ggplot2::unit(0.25, "lines"))
  ) +
  geom_segment(
    data = acm_orga_1_cah_cah |>
      mutate(`Dim 1` = pmin(1.3, pmax(`Dim 1`, -0.9)),
             `Dim 2` = pmin(1.3, pmax(`Dim 2`, -0.85)),
             start1  = pmin(0.95, pmax(`Dim 1`, -0.5)),
             start2  = pmin(1.25, pmax(`Dim 2`, -0.775)),
      ),
    ggplot2::aes(x = start1, xend = `Dim 1`, y = start2, yend = `Dim 2`,  
                 color = color_group),
    arrow = ggplot2::arrow(length = ggplot2::unit(0.3, "lines")), na.rm = TRUE
  ) +
  geom_label(
    data = acm_orga_1_cah_cah |>
      mutate(`Dim 1` = pmin(0.95, pmax(`Dim 1`, -0.5)),
             `Dim 2` = pmin(1.25, pmax(`Dim 2`, -0.775)),
      ),
    ggplot2::aes(label = lvs, color = color_group), #fill = rgb(1, 1, 1, alpha = 0),
    direction = "y", force = 0.5, force_pull = 1, point.padding = 0, point.size = NA,
    arrow = ggplot2::arrow(length = ggplot2::unit(0.25, "lines")),
    fontface = "bold", size = 3, na.rm = TRUE
  )

# ggsave2(acm_orga_1_cah_output, dir = "2024_OrgaTravailAdminPub",
#  name = "1-ACM orga cah color", 
#  width = 17, height = 17 / heigth_width_ratio, replace = TRUE, open = TRUE)

Lecture : en gras les variables actives de l’ACM (utilisées pour construire les axes) ; en italique les variables supplémentaires ; encadrées et en couleur les classes de la CAH. CR = contraintes de rythme.

Source : Dares-Drees-DGAFP, enquête Conditions de travail 2005, 2013 et 2019, volet actifs occupés (diffusion Adisp).

TABLEAU 1. Les classes d’organisation du poste de travail (axes 1 et 2 de l’ACM)

cah_orga_subtext <- c(
  "Note : les variables suivies de * ne sont pas des variables actives de l’ACM.",
  "Lecture : 97 % des salarié·es de la classe « autonomie du métier » ont une autonomie procédurale.",
  champ05, 
  source0519 #, 
)

cah_orga_active_tabs <-
  HCPC_tab_active(
    ct$cah_ORGA[salariat05], ct[salariat05, ], "pondcal",
    unique(c(active_vars, Ceval, "NBCTREVAL", Cexec, "NBCTREXEC", "NBCONTR"), 
           fromLast = TRUE), 
    recode_helper = FALSE
  ) |>
  mutate(across(
    all_of(c("NBCTREVAL", "NBCTREXEC", "NBCONTR")), 
    ~ mutate(., digits = 1L)
  )) |>
  tab_transpose()

n_rows <- filter(cah_orga_active_tabs, is_totrow(cah_orga_active_tabs)) |>
  mutate(variables = factor("Nombre d'observations"),
         across(where(is_fmt), ~ mutate(., display = "n", in_totrow = FALSE)))
cah_orga_active_tabs <- bind_rows(cah_orga_active_tabs, n_rows)

active_vars_rename_vect <- c(
  "Autonomie procédurale : le chef indique « l’objectif du travail » mais sans préciser « comment il faut faire »" = "Autonomie procédurale",
  "Ne pas recevoir d’ordres, de consignes ou de modes d’emploi" = "Pas de consignes",
  "Avoir une latitude dans l’application des consignes" = "Consignes: latitude",
  "Appliquer strictement les consignes" = "Consignes: respect strict",
  "Autonomie en cas d’incidents imprévus" = "Autonomie incidents imprévus",
  "Autonomie en cas d’incidents prévus d’avance" = "Autonomie incidents prévus",
  "Pas d’autonomie en cas d’incidents" = "Pas autonomie incidents",
  "Apprendre des choses nouvelles durant son travail" = "Apprendre des choses",
  "Répéter continuellement une même série de gestes" = "Gestes répétitifs",
  "Réunions régulières sur les questions d’organisation du travail" = "Réunions d'organisation",
  "Coopération suffisante pour effectuer correctement son travail" = "Coopération suffisante",
  "Rotation des postes (régulièrement ou selon les besoins)" = "Rotation des postes",
  "Entretien d’évaluation sur critères précis" = "Entretien d'évaluation",
  "Procédures de qualité strictes" = "Procédures 'qualité'",
  "Rythme du travail imposé par un contrôle informatisé" = "CR informatisées",
  "Objectifs chiffrés précis*" = "Objectifs chiffrés",
  "Nombre de contraintes d’évaluation*" = "NBCTREVAL",
  "-Demande du public exigeant une réponse immédiate" = "CR surveillance chef",
  "-Surveillance du chef" = "CR automatiques",
  "-Contraintes automatiques : déplacement d’une pièce, cadence d’une machine, autres contraintes techniques (×3)"= "CR delais <1h",
  "-Délais à satisfaire en moins d’une heure*" = "CR dépendance collègues",
  "-Dépendance immédiate vis-à-vis des collègues*" = "CR public",
  "Nombre de contraintes d’exécution*" = "NBCTREXEC",
  "Nombre de contraintes (évaluation + exécution)*" = "NBCONTR",
  "Part des salarié·es" = "Total",
  "Nombre d’observations (cumul 2005, 2013 et 2019)" = "Nombre d'observations" #,
)

cah_orga_active_tabs <- cah_orga_active_tabs |>
  mutate(variables = fct_recode(variables, !!!active_vars_rename_vect) |>
           fct_relevel(names(active_vars_rename_vect))
  ) |> 
  arrange(variables) |>
  add_row(variables = factor(
    "Le rythme du travail est imposé par (contraintes de rythme) : "
  ), 
  .after = 17
  ) |> 
  rename(Ensemble = Total) |> 
  mutate(across(where(is_fmt), ~ if_else(.$display == "mean",
                                         true  = mutate(., diff = 0) |> as_totrow(), 
                                         false = .))) |>
  mutate(grouping = as.factor(c(1, 2, 2, 2, 3, 3, 3, 4, 4, 5, 5, 5, 
                                6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 7, 7, 8, 9, 9)), 
         .before = 1) |>
  new_tab(subtext = cah_orga_subtext) |> 
  group_by(grouping)
# cah_orga_active_tabs |> tab_xl()

cah_orga_active_tabs |> tab_kable(tooltips = FALSE)

GRAPHIQUE 2. Les classes d’organisation du travail : arbre de classification

Note : les classes ont été consolidées par K-means, ce qui conduit à des catégories plus opposées entre elles et plus proches de celles de E. LORENZ et A. VALEYRE (2005), mais empêche de conserver un lien direct avec l’arbre de classification.

TABLEAU 2. Évolution des formes d’organisation du poste de travail par CSP

set_color_breaks(pct_breaks = c(0.04, 0.08, 0.16, 0.32)) #-0.05 -0.10 -0.20 -0.30

subtext_orga_evol <- c(
  "Lecture : en 2005, 37 % des cadres des administrations publiques sont dans la 
  classe « autonomie du métier ». Pour chaque catégorie, le pourcentage de 2013 et
  2019 est comparé à celui de 2005. En gris : chiffre non significativement 
  différent de celui de 2005 après prise en compte de la marge d’erreur 
  (intervalle de Wald avec ajustement d’Agresti et Caffo, seuil de confiance à 95 %).
  En couleur : évolutions significatives.", 
  champ05, 
  source0519)

orga_evol_tabs <- list(
  "Administrations publiques" = 
    ct[salariat05 & ct$EMP_ADM_ENT == "1-Administrations publiques", ],
  
  "Entreprises" = ct[salariat05 & ct$EMP_ADM_ENT == "2-Entreprises", ] #,
  #"Ensemble"                  = ct[salariat05, ]
) |>
  imap_dfr(
    ~ tab_many(.x, ANNEE, cah_ORGA, PPP1, wt = pondcal, pct = "row",
               color = "after_ci", diff = "2005", na = "drop", totaltab = "table",
               cleannames = TRUE, subtext = subtext_orga_evol ) |>
      ungroup() |>
      select(ANNEE, PPP1, everything()) |>
      arrange(ANNEE) |>
      filter(!is_totrow(Total)) |>
      tab_spread(ANNEE) |>
      mutate(across(1, function(.var) if_else(.var == "Ensemble",
                                              true  = paste0("Total ", .y),
                                              false = .var))
      )
  ) |>
  select(-starts_with("Total")) |>
  mutate(across(
    where(is_fmt), 
    ~ if_else(is_tottab(.), as_totrow(.), .) |>
      set_col_var(str_sub(cur_column(), 1, -6))
  ) ) |> 
  rename_with(~ str_replace(., "_", " ")) |>
  rename_with(~ paste0(map_chr(1:length(.), ~ paste0(rep(" ", .), collapse = "") ), 
                       str_sub(., -4, -1)), 
              .cols = where(is_fmt) ) 
# cah_evol_tabs |> tab_xl(sheets = "unique")

orga_evol_tabs |> tab_kable(tooltips = FALSE) |>
  kableExtra::add_header_above(c(" " = 1,
                                 "Autonomie du métier" = 3,
                                 "Autonomie évaluée"   = 3,
                                 "Contrôle direct"     = 3,
                                 "Lean management"     = 3, 
                                 "Taylorisme flexible" = 3
  ), 
  bold = TRUE
  )

set_color_breaks(pct_breaks = c(0.05,  0.10,  0.20,  0.30)) 

TABLEAU 3 – Les formes d’organisation et les objectifs chiffrés des professions organisées des administrations publiques en 2019

orga_prof_subtext <- c(
  "Lecture : 21 % des médecins hospitalier·es sont dans la classe d’organisation 
  « autonomie du métier ». Nuances de bleu : proportion significativement 
  supérieure à la moyenne (Total de colonne) après prise en compte de la marge
  d’erreur (intervalle de Wald avec ajustement d’Agresti et Caffo, seuil de 
  confiance à 95 %). Nuances du jaune au rouge : proportion significativement 
  inférieure à la moyenne. En gris : proportion non significativement différente
  de la moyenne.", 
  "Champ : professions organisées des administrations publiques, 
  France métropolitaine. Pourcentages pondérés.",
  source19
)

orga_prof_tab <- 
  ct[salariat05 & `2019` & ct$EMP_ADM_ENT == "1-Administrations publiques" &
       ct$PPP1 == "4-Professions organisées", ] |>
  tab(PPP2, cah_ORGA, sup_cols = OBJECTIF,
      wt = pondcal, pct = "row", na = "drop", cleannames = TRUE, color = "after_ci",
      subtext = orga_prof_subtext
  ) |>
  mutate(n = mutate(Total, display = "n")) |>
  filter(n >= 50)
# tab_xl(colwidth = 10, sheets = "unique")

orga_prof_tab |> tab_kable(tooltips = FALSE)

GRAPHIQUE 3 – Évolution des formes d’organisation par employeur et CSP

evol_cah_PPP1_EMP <- ct[salariat05, ] |>
  mutate(EMP4 = fct_recode(EMP4,
                           "1-État"           = "11-État"                           ,
                           "2-Hôpitaux pub"   = "21-Hôpitaux publics"               ,
                           "3-Coll locales"   = "41-Collectivités locales"          ,
                           "4-GE services"    = "12-Grandes entreprises de services",
                           "5-Cliniques priv" = "22-Cliniques privées"              ,
                           "6-GE industrie"   = "30-Grande industrie"               ,
                           "7-PME"            = "42-PME (et assos)"                 ,
                           "8-Autres"         = "90-Autres (EntI, Ag, GCstr)"
  ) |> fct_relevel(sort) ) |>
  tab_many(cah_ORGA, ANNEE, c(PPP1, EMP4), wt = pondcal, pct = "col",
           color = "after_ci", diff = 1, na = "drop", totaltab = "table",
           cleannames = TRUE, subtext = c(champ05, source0519) ) |>
  filter(!str_detect(EMP4, "Autres|Ensemble|Cliniques") & !is_totrow(Total),
         !(str_detect(EMP4, "industrie") & str_detect(PPP1, "Empl|Prof")),
         !(str_detect(EMP4, "Hôpitaux") & str_detect(PPP1, "Ouvr")),
         !(str_detect(EMP4, "services") & str_detect(PPP1, "Prof"))
         #!(str_detect(EMP4, "Hôpitaux") & str_detect(PPP1, "CBS")),
  ) |>
  select(-Total) |>
  #Mettre devant (= tracer après) les lignes où il y a des changements depuis 2005
  arrange(
    !is.na(fmt_get_color_code(`2013`)) | !is.na(fmt_get_color_code(`2019`)), 
    .by_group = TRUE
  ) |>
  pivot_longer(cols = c(`2005`, `2013`, `2019`), 
               names_to = "ANNEE", values_to = "fmt") |>
  mutate(pct   = fmt$pct * 100,
         ci    = fmt$ci  * 100,
         n     = fmt$n,
         ANNEE = as.integer(ANNEE),  #as.integer(str_sub(ANNEE, 3, 4))
         #En grisé quand pas significativement différent de 2005
         no_diff_from_2005 = ANNEE != 2005 & is.na(fmt_get_color_code(fmt)),
         #En gras quand ±4% par rapport à 2005 (après marge d'erreur)
         big_diff = if_else(
           abs(fmt$diff) - fmt$ci >= 0.04 & ANNEE != 2005 & !no_diff_from_2005,
           true  = "bold",
           false = "plain"
           ),
         ANNEE = if_else(ANNEE == 2005, 2007L, ANNEE)
  ) |>
  ungroup() |>
  mutate(rownumber = row_number()) |>
  group_by(PPP1, EMP4) |>
  mutate(ngroup = sum(n),
         pct    = if_else(ngroup < 100, NA_real_, pct),
         ngroup = if_else(row_number() == 1, paste("n =", ngroup), NA_character_)) |>
  group_by(PPP1, EMP4, cah_ORGA) |>
  mutate(pct_prev   = lag(pct),
         ANNEE_prev = lag(ANNEE) ) |>
  group_by(PPP1, EMP4, ANNEE) |>
  arrange(no_diff_from_2005, .by_group = TRUE) |>
  mutate(pct2 = as.character(round(pct)),
         pct2 = if_else(duplicated(pct2), NA_character_, pct2) ) |>
  group_by(PPP1) |>
  mutate(max_pct = max(pct, na.rm = TRUE),
         ngroup_x = if_else(
           !is.na(ngroup) & (
             (str_detect(EMP4, "industrie") & str_detect(PPP1, "Ouvr")) |
               (str_detect(EMP4, "Hôpitaux") & str_detect(PPP1, "Emp")) |
               (str_detect(EMP4, "PME") & str_detect(PPP1, "Emp"))      |
               (str_detect(EMP4, "Hôpitaux") & str_detect(PPP1, "interm"))
           ),
           true  = 2006,
           false = 2020
         ),
         
         ngroup_hjust = if_else(
           !is.na(ngroup) & (
             (str_detect(EMP4, "industrie") & str_detect(PPP1, "Ouvr")) |
               (str_detect(EMP4, "Hôpitaux") & str_detect(PPP1, "Emp")) |
               (str_detect(EMP4, "PME") & str_detect(PPP1, "Emp"))      |
               (str_detect(EMP4, "Hôpitaux") & str_detect(PPP1, "interm"))
           ),
           true  = 0,
           false = 1),
  ) |>
  ungroup() |>
  arrange(rownumber)




#Version couleur
graph_evol_cah_PPP1_EMP <-
  evol_cah_PPP1_EMP |>
  mutate(cah_ORGA = fct_drop(cah_ORGA),
         cah_color_with_gray = if_else(!no_diff_from_2005,
                                       true  = cah_ORGA,
                                       false = factor(NA))
  ) |>
  ggplot(aes(x = ANNEE, y = pct)) +
  geom_label(aes(x = ngroup_x, y = max_pct, label = ngroup, hjust = ngroup_hjust ),
             na.rm = TRUE, size = 2.5, color = "gray40", label.r = unit(0, "lines") ) +
  geom_segment(aes(x = ANNEE_prev, xend = ANNEE, y = pct_prev, yend = pct,
                   color = cah_ORGA), 
               na.rm = TRUE) +
  geom_label(aes(label = pct2, color = cah_color_with_gray, fontface = big_diff),
             size = 2.5, label.padding = unit(0.05, "lines"), 
             label.size = 0, na.rm = TRUE, show.legend = FALSE) +
  facet_grid(vars(PPP1), vars(EMP4), scales = "free_y", switch = "y") +
  ylab("Pourcentage de salarié·es dans chaque forme d'organisation") + 
  scale_color_manual(name = "Classe CAH:", na.value = "gray50", 
                     values = c("Autonomie du métier" = "#9575cd",
                                "Autonomie évaluée"   = "#f57c00",
                                "Contrôle direct"     = "#7cb342",
                                "Lean management"     = "#26a69a",
                                "Taylorisme flexible" = "#d32f2f" #,
                     ) #,
  ) + 
  scale_y_continuous(position = "right") +
  scale_x_continuous(limits = c(2006, 2020),
                     breaks = c(2007, 2013, 2019), 
                     labels = c("05", "13", "19")) +
  theme_bw() + theme(panel.grid         = element_blank(),
                     axis.title.x       = element_blank(),
                     legend.position    = "bottom",
                     legend.text        = element_text(size = 7),
                     legend.title       = element_text(face = "bold", size = 7),
                     strip.text.y       = element_text(size = 8),
                     legend.box.margin  = margin(t = 0, r = 0, b = 0, l = 0),
                     legend.box.spacing = unit(0, "cm"),
                     panel.spacing      = unit(0.1, "cm")
  )

graph_evol_cah_PPP1_EMP

TABLEAU 4 – Les formes d’organisation et les objectifs chiffrés des agent·es subalternes des administrations publiques en 2019

orga_CBS_exec_subtext <- c(
  "Lecture : 23 % des contrôleuses et contrôleurs des Finances publiques sont dans 
  la classe d’organisation « autonomie du métier ». HP = hôpitaux publics ; 
  CL = collectivités locales. Nuances de bleu : proportion significativement 
  supérieure à la moyenne (Total de colonne) après prise en compte de la marge
  d’erreur (intervalle de Wald avec ajustement d’Agresti et Caffo, seuil de 
  confiance à 95 %). Nuances du jaune au rouge : proportion significativement
  inférieure à la moyenne. En gris : proportion non significativement 
  différente de la moyenne.", 
  "Champ : cols-blancs intermédiaires, employées et ouvriers des 
  administrations publiques, France métropolitaine. Pourcentages pondérés.",
  source19)

orga_CBS_exec_tab <- 
  ct[salariat05 & `2019` & ct$EMP_ADM_ENT == "1-Administrations publiques" &
       ct$PPP1 %in% c("3-Cols blancs subalternes", "5-Employées", "6-Ouvriers"), ] |>
  mutate(
    EMP = fct_relevel(EMP, "2-État", "3-Hôpitaux publics", "1-Collectivités locales"), 
    PPP2adm = fct_cross(PPP2, EMP) |>
      fct_relabel(
        ~ str_replace(., "^(...)-([^:]+):(.)-(.+)", "\\1\\3-\\2 \\4") |>
          str_replace("(?<=^...)1", "4") |>
          str_replace("(?<=^...)2", "1") |>
          str_replace("(?<=^...)3", "2") |>
          str_replace("(?<=^...)4", "3") |>
          str_replace("Hôpitaux publics", "HP") |>
          str_replace("Collectivités locales", "CL") |>
          str_replace("Employées services à la personne", 
                      "Agentes de services") |>
          str_replace("Militaires, gendarmes, pompiers CL", "Pompiers CL") |>
          str_replace("Militaires, gendarmes, pompiers État", "Militaires")
      ) |>
      fct_recode("5G13-Policiers pompiers CL" = "5G13-Policiers CL",
                 "5G13-Policiers pompiers CL" = "5G23-Pompiers CL")
    ,
    PPP2 = as.factor(
      if_else(FAPPP %in% c("D-Filière administrative",
                           "E-Filière technique",
                           "G-Filière sécurité", 
                           "I-Filière éducation-social",
                           "H-Services à la personne"),
              true  = as.character(PPP2adm),
              false = str_replace(as.character(PPP2), "^(...)-", "\\10-")
              
      )) |>
      fct_relabel(~ str_remove(., "CBS banque") |> str_remove("Employées banque") |>
                    str_remove(", +$")) |>
      fct_relabel(~ str_replace(., "^(.)(.)(.)(.)", "\\4\\2\\1\\3") ) |>
      fct_recode("2F30-Techniciennes médicales" = "0F30-Techniciennes médicales",
                 "2F50-Employées de santé"      = "0F50-Employées de santé", 
      ) |> 
      fct_relevel(sort), 
    
    grouping = str_sub(PPP2, 1, 1) |> str_replace("0", "1") |> as.factor()
  ) |>
  tab(PPP2, cah_ORGA, c(PPP1ex, grouping), sup_cols = OBJECTIF,
      wt = pondcal, pct = "row", na = "drop", color = "after_ci", comp = "all", 
      cleannames = TRUE, subtext =orga_CBS_exec_subtext
  ) |>
  mutate(n = mutate(Total, display = "n")) |>
  filter(!(is_totrow(Total) & grouping != "Total")) |> 
  mutate(PPP2 = if_else(
    condition = is_totrow(Total), 
    true      = as.factor(paste0("<b>", str_remove(PPP2, " Total$"), "</b>")), 
    false     = PPP2
  ) |>
    as_factor()
  ) |>
  group_by(grouping, PPP1ex) |> 
  filter(n >= 20)
# orga_CBS_exec_tab |> tab_xl(colwidth = 10, sheets = "unique")

#|> kableExtra::row_spec(0, bold = TRUE, font_size = 12, align = "center")
orga_CBS_exec_tab |> tab_kable(tooltips = FALSE) 

TABLEAU 5 – Les objectifs chiffrés selon la forme d’organisation en 2019

subtext_obj <- c(
  "Lecture : 16 % des salarié·es en autonomie du métier sont 
  sous direction par objectifs.",
  "Champ : salarié·es des organisations, France métropolitaine.
  Pourcentages pondérés.",
  source19
)

orga_obj_tab <- ct[salariat05 & `2019`, ] |>
  tab_many(cah_ORGA, OBJtous, wt = pondcal, pct = "row", color = "diff_ci", 
           na = "drop", cleannames = TRUE, subtext = subtext_obj)
# orga_obj_tab |> tab_xl(sheets = "unique", colwidth = 12)

orga_obj_tab |> tab_kable(tooltips = FALSE)

TABLEAU 6 – La direction par objectifs « toutes choses égales par ailleurs » en 2019 (odds ratio)

# library(survey)

# Logit DPO 2019 : modèle simple + modèle entreprises + modèle administrations publiques
#  (ne permet pas de comparer en sachant si la différence adm/ent est significative)
explanatory <- c("AGE4", "SEXE", "NBSALA2", "DIPLOME4", "ENCADR", "PPP1",
                 "EMP_ADM_ENT", "EMP4", "cah_ORGA")

glm_data_DPO <-
  ct[salariat05 & `2019`, ] |>
  select(DPO19, all_of(explanatory), pondcal) |>
  mutate(across(any_of(c("PPP1", "ENCADR", "DPO19", "EMP_ADM_ENT")), fct_rev), # "SEXE",
         PPP1 = fct_relevel(PPP1, "5-Employées", "6-Ouvriers"),
         EMP4 = fct_relevel(EMP4,
                            "42-PME (et assos)"                 ,
                            "12-Grandes entreprises de services",
                            "22-Cliniques privées"              ,
                            "30-Grande industrie"               ,
                            "90-Autres (EntI, Ag, GCstr)"       ,
                            "41-Collectivités locales"          ,
                            "21-Hôpitaux publics"               ,
                            "11-État"                           ,),
         across(
           where(is.factor),
           ~ fct_drop(
             fct_relabel(., ~ str_remove_all(., tabxplor:::cleannames_condition()))
           )
         )
  )

logit_DPO_last <-
  list("Ensemble" = 
         glm_data_DPO,
       
       "Entreprises" = 
         glm_data_DPO[glm_data_DPO$EMP_ADM_ENT == "Entreprises", ],
       
       "Administrations publiques" = 
         glm_data_DPO[glm_data_DPO$EMP_ADM_ENT == "Administrations publiques", ]) |>
  imap( # survey::svyglm
    ~ glm(DPO19 ~ AGE4 + SEXE + NBSALA2 + DIPLOME4 + ENCADR + PPP1 + EMP4,
          data = .x, 
          #design = svydesign(ids = ~1, data = .x, weights = ~pondcal),
          family = quasibinomial(link = "logit")
    ) |>
      readable_OR() |> as_tibble() |>
      select(parameter, Odds_ratio, marginal_effect) |>
      rename_with(function(var) str_replace(var, "Odds_ratio", .y) |>
                    str_replace("marginal_effect", paste0(.y, " marginal effect")))
  ) |>
  reduce(~ full_join(.x, .y, by = "parameter")) |>
  relocate(!contains("marginal"), .after = 1)

# logit_DPO_last |> openxlsx::write.xlsx(file = "logit_DPO_last.xlsx")
# file.show("logit_DPO_last.xlsx")

logit_DPO_last |> 
  select(-ends_with("marginal effect")) |> 
  knitr::kable(format = "html") |> kableExtra::kable_styling()

Lecture : toutes les variables choisies étant égales, les salarié·es des grandes entreprises de service ont 1,85 fois plus de chances que les salarié·es des PME (référence) d’être soumis·es à une direction par objectifs (par rapport au fait de ne pas l’être). « 1/1,09 » signifie 1,09 fois moins de chances que la référence. *** : les chances d’être soumis à une direction par objectifs sont significativement différentes de celles de la modalité de référence, au seuil de confiance de 99  % ; ** : au seuil de 95  % ; * : au seuil de 90  % ; aucune étoile : non significatif. CAP : certificat d’aptitude professionnelle ; BEP : brevet d’études professionnelles.

Source : Dares-Drees-DGAFP, enquête Conditions de travail 2019, volet actifs occupés (diffusion Adisp).

TABLEAU 7 – Les formes d’organisation et les objectifs chiffrés des cadres des administrations publiques en 2019

orga_cadres_subtext <- 
  c("Lecture : 13 % des inspecteurs et inspectrices des Finances publiques sont 
    dans la classe d’organisation « autonomie du métier ». HP = hôpitaux publics
    ; CL = collectivités locales ; EN = Éducation nationale. Nuances de bleu :
    proportion significativement supérieure à la moyenne (Total de colonne) 
    après prise en compte de la marge d’erreur (intervalle de Wald avec 
    ajustement d’Agresti et Caffo, seuil de confiance à 95 %). Nuances du 
    jaune au rouge : proportion significativement inférieure à la moyenne.
    En gris : proportion non significativement différente de la moyenne.",
    "Champ : cadres des administrations publiques, France métropolitaine.
    Pourcentages pondérés.",
    source19)

orga_cadres_tab <- 
  ct[salariat05 & `2019` & 
       ct$EMP_ADM_ENT == "1-Administrations publiques" & ct$PPP1 == "2-Cadres", ] |>
  mutate(PPP2adm = fct_cross(PPP2, EMP) |>
           fct_relabel(
             ~ str_replace(., "^(...)-([^:]+):(.)-(.+)", "\\1\\3-\\2 \\4") |>
               str_replace("(?<=^...)1", "4") |>
               str_replace("(?<=^...)2", "1") |>
               str_replace("(?<=^...)3", "2") |>
               str_replace("(?<=^...)4", "3") |>
               str_replace("Hôpitaux publics", "HP") |>
               str_replace("Collectivités locales", "CL")
           ),
         PPP2 = as.factor(if_else(
           FAPPP %in% c("D-Filière administrative", "E-Filière technique"),
           true  = as.character(PPP2adm),
           false = str_replace(as.character(PPP2), "^(...)-", "\\10-")
           
         )) |>
           fct_relabel(~ str_remove(., "Cadres banque") |> str_remove(", +$") ) |>
           fct_relabel(~ str_replace(., "^(.)(.)(.)(.)", "\\4\\2\\1\\3") ) |>
           fct_recode("2F20-Cadres de santé ♀" = "0F20-Cadres de santé ♀") |> 
           fct_relevel(sort),
         
         grouping = str_sub(PPP2, 1, 1) |> str_replace("0", "1") |> as.factor()
  ) |>
  tab(PPP2, cah_ORGA, grouping, sup_cols = OBJECTIF,
      wt = pondcal, pct = "row", na = "drop", color = "after_ci", 
      cleannames = TRUE, subtext = orga_cadres_subtext
  ) |>
  mutate(n = mutate(Total, display = "n")) |>
  filter(!(is_totrow(Total) & grouping != "Ensemble")) |> 
  filter(n >= 20) |>
  group_by(grouping)
# orga_cadres_tab |> tab_xl(colwidth = 10, sheets = "unique")

orga_cadres_tab |> tab_kable(tooltips = FALSE)

TABLEAU 8a. Taux de féminisation par CSP recodée et employeur en 2019 : tiers

set_color_breaks(pct_breaks = c(0.1666, 0.1666, Inf)) #-0.05 -0.10 -0.20 -0.30


PPP1_fem_tab <- ct[salariat05 & `2019`, ] |>
  mutate(EMP4 = fct_recode(
    EMP4,
    "41-CL"     = "41-Collectivités locales"          ,
    "11-État"   = "11-État"                           ,
    "21-HP"     = "21-Hôpitaux publics"               ,
    "30-GI"     = "30-Grande industrie"               ,
    "12-GES"    = "12-Grandes entreprises de services",
    "22-CP"     = "22-Cliniques privées"              ,
    "42-PME"    = "42-PME (et assos)"                 ,
    "90-Autres" = "90-Autres (EntI, Ag, GCstr)"       
  ) |> 
    fct_relevel("41-CL", "11-État", "21-HP", 
                "30-GI", "12-GES", "22-CP", "42-PME", "90-Autres")
  ) |>
  tab(PPP1, SEXE, EMP4, wt = pondcal, pct = "row", color = "diff", 
      totaltab = "table", cleannames = TRUE, na = "drop") |>
  filter(Total$n >= 30) |> 
  select(-Total, -Homme) |>
  mutate(Femme = mutate(Femme, diff = pct - 0.5)) |> 
  tab_spread(EMP4, names_sort = TRUE) |>
  mutate(Ensemble = as_totcol(Ensemble))


PPP1_fem_tab |> tab_kable(tooltips = FALSE, color_legend = FALSE)

Lecture : 61 % des cadres des collectivités locales sont des femmes. En bleu les catégories avec plus de 2/3 de femmes. En orange les catégories avec plus de 2/3 d’hommes. CL = collectivités locales ; HP = hôpitaux publics ; GI = grande industrie ; GES = grandes entreprises de service ; CP = cliniques privées (effectifs faibles) ; PME = petites et moyennes entreprises.

Source : Dares-Drees-DGAFP, enquête Conditions de travail 2019, volet actifs occupés (diffusion Adisp).

TABLEAU 8b. Taux de féminisation par CSP recodée et employeur en 2019 : écarts à la moyenne

set_color_breaks(pct_breaks = c(0.10,  0.20,  0.30,  0.40)) 

PPP1_fem_tab <- ct[salariat05 & `2019`, ] |> # & EMP != "7-Ent taille inconnue" 
  mutate(EMP4 = fct_recode(
    EMP4,
    "41-CL"     = "41-Collectivités locales"          ,
    "11-État"   = "11-État"                           ,
    "21-HP"     = "21-Hôpitaux publics"               ,
    "30-GI"     = "30-Grande industrie"               ,
    "12-GES"    = "12-Grandes entreprises de services",
    "22-CP"     = "22-Cliniques privées"              ,
    "42-PME"    = "42-PME (et assos)"                 ,
    "90-Autres" = "90-Autres (EntI, Ag, GCstr)"       
  ) |> 
    fct_relevel("41-CL", "11-État", "21-HP", 
                "30-GI", "12-GES", "22-CP", "42-PME", "90-Autres")
  ) |>
  tab(PPP1, SEXE, EMP4, wt = pondcal, pct = "row", color = "diff", 
      totaltab = "table", cleannames = TRUE, na = "drop") |>
  filter(Total$n >= 30) |> 
  select(-Total, -Homme) |>
  mutate(Femme = mutate(Femme, diff = pct - 0.5)) |> 
  tab_spread(EMP4, names_sort = TRUE) |>
  mutate(Ensemble = as_totcol(Ensemble))


PPP1_fem_tab |> tab_kable(tooltips = FALSE, color_legend = FALSE)

Lecture : 61 % des cadres des collectivités locales sont des femmes. Nuances de bleu : proportion supérieure à la moyenne (48% de femmes) d’au moins 10 points de pourcentage. Nuances du jaune au rouge : proportion inférieure à la moyenne d’au moins 10 points de pourcentage. CL = collectivités locales ; HP = hôpitaux publics ; GI = grande industrie ; GES = grandes entreprises de service ; CP = cliniques privées (effectifs faibles) ; PME = petites et moyennes entreprises.

Source : Dares-Drees-DGAFP, enquête Conditions de travail 2019, volet actifs occupés (diffusion Adisp).

TABLEAU 9a. Taux de féminisation par CSP recodée détaillée et employeur en 2019 : tiers

set_color_breaks(pct_breaks = c(0.1666, 0.1666, Inf)) #-0.05 -0.10 -0.20 -0.30


PPP2_fem_tab <- ct[salariat05 & `2019`, ] |> # & EMP != "7-Ent taille inconnue" 
  mutate(EMP4 = fct_recode(
    EMP4,
    "41-CL"     = "41-Collectivités locales"          ,
    "11-État"   = "11-État"                           ,
    "21-HP"     = "21-Hôpitaux publics"               ,
    "30-GI"     = "30-Grande industrie"               ,
    "12-GES"    = "12-Grandes entreprises de services",
    "22-CP"     = "22-Cliniques privées"              ,
    "42-PME"    = "42-PME (et assos)"                 ,
    "90-Autres" = "90-Autres (EntI, Ag, GCstr)"       
  ) |>
    fct_relevel("41-CL", "11-État", "21-HP",
                "30-GI", "12-GES", "22-CP", "42-PME", "90-Autres")
  ) |>
  tab(PPP2, SEXE, c(FAPPP, EMP4), wt = pondcal, pct = "row", color = "diff", 
      totaltab = "table", cleannames = TRUE, na = "drop") |>
  filter(Total$n >= 30) |> 
  select(-Total, -Homme) |>
  mutate(Femme = mutate(Femme, diff = pct - 0.5))

mean_fem <- PPP2_fem_tab$Femme |> last() |> as_totrow()

total_employeurs <- ct[salariat05 & `2019`, ] |> # & EMP != "7-Ent taille inconnue" 
  mutate(EMP4 = fct_recode(
    EMP4,
    "41-CL"     = "41-Collectivités locales"          ,
    "11-État"   = "11-État"                           ,
    "21-HP"     = "21-Hôpitaux publics"               ,
    "30-GI"     = "30-Grande industrie"               ,
    "12-GES"    = "12-Grandes entreprises de services",
    "22-CP"     = "22-Cliniques privées"              ,
    "42-PME"    = "42-PME (et assos)"                 ,
    "90-Autres" = "90-Autres (EntI, Ag, GCstr)"       
  ) |> 
    fct_relevel("41-CL", "11-État", "21-HP",
                "30-GI", "12-GES", "22-CP", "42-PME", "90-Autres")
  ) |>
  tab(EMP4, SEXE, wt = pondcal, pct = "row", color = "diff", 
      totaltab = "table", cleannames = TRUE, na = "drop") |> 
  select(-Total, -Homme) |>
  mutate(Femme = mutate(Femme, diff = pct - 0.5) |>
           as_totrow() |> as_tottab()
  ) |>
  pivot_wider(names_from = "EMP4", values_from = "Femme") |>
  rename(Ensemble = Total) |>
  mutate(PPP2 = factor("TOTAL TOUTES FILIERES"), .before = 1)

PPP2_fem_tab <- PPP2_fem_tab |> tab_spread(EMP4, names_sort = TRUE)

PPP2_fem_tab <- PPP2_fem_tab |> 
  filter(FAPPP != "Ensemble") |> 
  select(-Ensemble) |>
  left_join(filter(PPP2_fem_tab, FAPPP == "Ensemble") |>
              select(PPP2, Ensemble), 
            by = "PPP2") |>
  mutate(Ensemble = if_else(!is.na(Ensemble), Ensemble, Total) |> as_totcol()) |>
  select(-Total)  |>
  bind_rows(total_employeurs) 


PPP2_fem_tab |> tab_kable(tooltips = FALSE, color_legend = FALSE)

Lecture : 61 % des cadres administratifs/tives des collectivités locales sont des femmes. En bleu les catégories avec plus de 2/3 de femmes. En orange les catégories avec plus de 2/3 d’hommes. CL = collectivités locales ; HP = hôpitaux publics ; GI = grande industrie ; GES = grandes entreprises de service ; CP = cliniques privées (effectifs faibles) ; PME = petites et moyennes entreprises. FiP = Finances publiques ; CBS = cols blancs subalternes ; EN = Éducation Nationale.

Source : Dares-Drees-DGAFP, enquête Conditions de travail 2019, volet actifs occupés (diffusion Adisp).

TABLEAU 9b. Taux de féminisation par CSP recodée détaillée et employeur en 2019 : écarts à la moyenne

set_color_breaks(pct_breaks = c(0.10,  0.20,  0.30,  0.40)) 

PPP2_fem_tab <- ct[salariat05 & `2019`, ] |> # & EMP != "7-Ent taille inconnue" 
  mutate(EMP4 = fct_recode(
    EMP4,
    "41-CL"     = "41-Collectivités locales"          ,
    "11-État"   = "11-État"                           ,
    "21-HP"     = "21-Hôpitaux publics"               ,
    "30-GI"     = "30-Grande industrie"               ,
    "12-GES"    = "12-Grandes entreprises de services",
    "22-CP"     = "22-Cliniques privées"              ,
    "42-PME"    = "42-PME (et assos)"                 ,
    "90-Autres" = "90-Autres (EntI, Ag, GCstr)"       
  ) |> 
    fct_relevel("41-CL", "11-État", "21-HP", 
                "30-GI", "12-GES", "22-CP", "42-PME", "90-Autres")
  ) |>
  tab(PPP2, SEXE, c(FAPPP, EMP4), wt = pondcal, pct = "row", color = "diff", 
      totaltab = "table", cleannames = TRUE, na = "drop") |>
  filter(Total$n >= 30) |> 
  select(-Total, -Homme) |>
  mutate(Femme = mutate(Femme, diff = pct - 0.5))

mean_fem <- PPP2_fem_tab$Femme |> last() |> as_totrow()

total_employeurs <- ct[salariat05 & `2019`, ] |> # & EMP != "7-Ent taille inconnue" 
  mutate(EMP4 = fct_recode(
    EMP4,
    "41-CL"     = "41-Collectivités locales"          ,
    "11-État"   = "11-État"                           ,
    "21-HP"     = "21-Hôpitaux publics"               ,
    "30-GI"     = "30-Grande industrie"               ,
    "12-GES"    = "12-Grandes entreprises de services",
    "22-CP"     = "22-Cliniques privées"              ,
    "42-PME"    = "42-PME (et assos)"                 ,
    "90-Autres" = "90-Autres (EntI, Ag, GCstr)"       
  ) |> 
    fct_relevel("41-CL", "11-État", "21-HP",
                "30-GI", "12-GES", "22-CP", "42-PME", "90-Autres")
  ) |>
  tab(EMP4, SEXE, wt = pondcal, pct = "row", color = "diff", 
      totaltab = "table", cleannames = TRUE, na = "drop") |> 
  select(-Total, -Homme) |>
  mutate(Femme = mutate(Femme, diff = pct - 0.5) |>
           as_totrow() |> as_tottab()
  ) |>
  pivot_wider(names_from = "EMP4", values_from = "Femme") |>
  rename(Ensemble = Total) |>
  mutate(PPP2 = factor("TOTAL TOUTES FILIERES"), .before = 1)

PPP2_fem_tab <- PPP2_fem_tab |> tab_spread(EMP4, names_sort = TRUE)

PPP2_fem_tab <- PPP2_fem_tab |> 
  filter(FAPPP != "Ensemble") |> 
  select(-Ensemble) |>
  left_join(
    filter(PPP2_fem_tab, FAPPP == "Ensemble") |>select(PPP2, Ensemble), 
    by = "PPP2"
  ) |>
  mutate(Ensemble = if_else(!is.na(Ensemble), Ensemble, Total) |> as_totcol()) |>
  select(-Total)  |>
  bind_rows(total_employeurs) 


PPP2_fem_tab |> tab_kable(tooltips = FALSE, color_legend = FALSE)

Lecture : 61 % des cadres administratifs/tives des collectivités locales sont des femmes. Nuances de bleu : proportion supérieure à la moyenne (48% de femmes) d’au moins 10 points de pourcentage. Nuances du jaune au rouge : proportion inférieure à la moyenne d’au moins 10 points de pourcentage. CL = collectivités locales ; HP = hôpitaux publics ; GI = grande industrie ; GES = grandes entreprises de service ; CP = cliniques privées (effectifs faibles) ; PME = petites et moyennes entreprises. FiP = Finances publiques ; CBS = cols blancs subalternes ; EN = Éducation Nationale.

Source : Dares-Drees-DGAFP, enquête Conditions de travail 2019, volet actifs occupés (diffusion Adisp).